پیشرفت‌های اخیر در فناوری‌های هوش مصنوعی و ML در جنبه‌های مختلف توسعه نرم‌افزار گسترش یافته است، بنابراین تست و تضمین کیفیت مستثنی نیستند. بر اساس یک نظرسنجی، که نتایج آن اخیرا توسط DevOps.com، 49 درصد از پاسخ دهندگان گزارش دادند که سازمان آنها هوش مصنوعی را برای آزمایش برنامه به هر شکلی استفاده می کند و 21 درصد دیگر قصد دارند این کار را در شش ماه آینده انجام دهند. آنها انتظار دارند که ابزارهای اتوماسیون مبتنی بر هوش مصنوعی بهره‌وری را افزایش داده و به درآمد پایان دهند و در عین حال تعداد آسیب‌پذیری‌ها و باگ‌ها را در برنامه‌های خود کاهش دهند. الکساندر موتیلف در حال حاضر مدیر مهندسی تست داده در Paramount Global/Pluto TV و عضو IEEE و ACM با تجربه گسترده در پیاده سازی راه حل های خودکار پیشگام در تست و QA است. او بینش هایی را در مورد پروژه های خود و دیدگاه خود در مورد تأثیر رو به رشد هوش مصنوعی و ML در صنعت به اشتراک می گذارد.
یادگیری مستمر
الکساندر موتیلف در طول زندگی حرفه ای خود بر روی چندین پروژه در زمینه مدیریت QA، مهندسی QA و مهندسی تست داده ها کار کرده است. مهمترین کار او شامل نقش های او در Paymentus، یک سیستم پردازش پرداخت آنلاین، و از سال 2022، در Paramount Global است. او خاطرنشان می کند که توانایی او برای انطباق با تغییرات سریع تکنولوژیک نقش مهمی در پیشرفت شغلی او داشت. وقتی راه‌حل‌های جدید مبتنی بر هوش مصنوعی و ML به‌سرعت به وجود می‌آیند، فرد باید به طور مداوم یاد بگیرد و همزمان با وظایف و مسئولیت‌های روزانه خود همگام باشد.» او اضافه می کند. این تعهد به یادگیری مستمر، سنگ بنای رویکرد او برای دستیابی به بهبود مستمر در کارش است.
مدرک کارشناسی ارشد اسکندر در مهندسی مکاترونیک پایه محکمی برای حرفه او ایجاد کرد، اما او به همین جا بسنده نکرد. او همچنان به طور فعال به دنبال یادگیری است و همیشه در تلاش برای گسترش دانش و مهارت های خود، به ویژه در پیشرفت های اخیر فناوری است. در چند سال گذشته، او گواهینامه های IBM و Google را به پایان رسانده است. او همچنین نقش فعالی در آموزش نسل بعدی متخصصان QA و تجزیه و تحلیل داده، ارائه جلسات آموزشی و کارگاه‌های آموزشی برای تیم‌ها در سازمان‌های مختلف، و نشان دادن مؤثرترین راه‌ها برای پیاده‌سازی AI/ML در عمل ایفا می‌کند.
تمرکز بر امنیت
الکساندر موتیلف تأکید می‌کند که نقش آزمایش و کیفیت کیفیت زمانی که داده‌های حساس درگیر باشد، حیاتی می‌شود، زیرا هزینه شکست بسیار زیاد است. در Paymentus، او توسعه ابزاری برای خودکارسازی تست داده‌ها برای پردازش داده‌های پرداخت آنلاین را رهبری کرد که الهام‌بخش او شد تا فرآیند آزمایش معمول داده‌ها را که مستعد خطاهای انسانی است، خودکار کند. پروژه ایجاد ابزاری برای تست خودکار داده ها برای پردازش داده های پرداخت آنلاین به من الهام بخشید تا یک فرآیند آزمایش معمول داده ها را خودکار کنم که مستعد خطاهای انسانی بود.او توضیح می دهد. فناوری هوش مصنوعی در چنین مواردی می‌تواند مزایای بسیار زیادی را ارائه دهد و به ما امکان می‌دهد از خطاها جلوگیری کرده و رفتارهای مشکوک را به سرعت تشخیص دهیم. توسعه چارچوب اتوماسیون تست، اثربخشی تست نرم‌افزار را افزایش داد و به اطمینان از قابلیت اطمینان پردازش پرداخت‌ها کمک کرد و بهبود مستمر را در امنیت و کارایی نشان داد.
موارد متعددی از به کارگیری چنین رویکردی در عمل در حرفه وی وجود دارد که برجسته ترین آنها توسعه پردازش داده ها، تجزیه و تحلیل و ابزار تضمین کیفیت مبتنی بر هوش مصنوعی / ML برای افزایش کارایی عملیاتی برای شرکت های پخش ویدئو در سراسر جهان است. ایالات متحده آمریکا این ابتکار از تخصص گسترده الکساندر در مدیریت تضمین کیفیت نرم‌افزار و مهندسی تست داده‌ها استفاده می‌کند تا استانداردهای صنعت و کارایی عملیاتی در بخش پخش ویدیوی ایالات متحده را به میزان قابل توجهی افزایش دهد. این ابزار که در زمان تصدی وی در Paramount Global/PlutoTV توسعه یافته است، داده‌های مربوط به بینندگان آنلاین را جمع‌آوری می‌کند، گزارش‌ها را تولید و تجزیه و تحلیل می‌کند، و ناهنجاری‌های داده‌ها را با نتیجه نهایی بهبود کیفیت تولید و جلوگیری از حوادث تولید تشخیص می‌دهد. در حال حاضر، الکساندر موتیلف به بهبود این ابزار ادامه می‌دهد و پیش‌بینی AI/ML و تجزیه و تحلیل پیش‌بینی‌کننده را در چارچوب یکپارچه می‌کند، که نمونه‌ای از بهبود مستمر در عمل است.
رویکردی متنوع به کاربردهای هوش مصنوعی
با این حال، برای استفاده کارآمد از فناوری‌های پیشرفته، یک شرکت یا یک تیم به درک عمیقی از عملیات شرکت و وضعیت فعلی AI/ML نیاز دارد. “راه های مختلفی وجود دارد که هوش مصنوعی و فناوری های ML در فرآیندهای تست و QA یکپارچه شوید،الکساندر موتیلف خاطرنشان می کند. “آنها برای جمع آوری داده ها، تجزیه و تحلیل و ایجاد مدل های پیش بینی استفاده می شوند. با این حال، در هر صورت، آنها باید بر اساس نیازهای یک شرکت خاص تنظیم شوند” تجربه هدایت تیم‌های QA در خشکی و فراساحل و اجرای بهترین روش‌ها و روش‌های QA به او بینش منحصربه‌فردی در مورد نحوه بهترین استفاده از این فناوری‌ها داده است. اگرچه ممکن است برای یک کسب و کار وسوسه انگیز به نظر برسد که به خاطر خود به دنبال نوآوری باشد، اما باید به وضوح درک کرد که برای چه هدفی روش ها و فن آوری های جدید به خصوص در فرآیندهایی که تأثیر زیادی بر کیفیت محصول نهایی دارند، اجرا می شوند.
علاوه بر این، بسیار مهم است که روی بدیهی ترین راه حل ها برای آزاد کردن پتانسیل کامل یک فناوری نوآورانه تمرکز نکنید. “در سطح فعلی، فناوری‌های هوش مصنوعی را می‌توان به روش‌های متعددی به کار برد، بنابراین مهم است که روی یک ایده از قبل در حال کار تمرکز نکنید، بلکه چندین ایده را امتحان کنید.» این فلسفه مشارکت او را در پروژه‌های نوآورانه‌ای مانند جشنواره نوآوری ۲۰۲۴ هدایت کرده است، رویدادی با هدف شناسایی نوآوری‌ها در مهندسی ویدئو پارامونت، جایی که او و تیمش Paramount Buddy، دستیار چت ربات هوش مصنوعی را توسعه دادند. این ربات چت هوش مصنوعی مستقیماً با ابزارهای روزانه ادغام می‌شود، پاسخ‌های بی‌درنگ و دقیق به پرسش‌های پیچیده ارائه می‌کند و بدون زحمت در اسناد گسترده پیمایش می‌کند. این پیشرفت با اسناد Confluence شروع می شود و به پلتفرم هایی مانند Jira و GitHub گسترش می یابد و از آخرین فناوری های هوش مصنوعی و ابری برای عملکرد مقیاس پذیر و قوی استفاده می کند.. این مثال نشان می دهد که چگونه یک ربات چت هوش مصنوعی را می توان با نیازهای یک تجارت خاص تنظیم کرد و برای بهبود عملکرد استفاده کرد. همین رویکرد را می توان برای ادغام هوش مصنوعی و ML در فرآیندهای تست و QA به کار برد تا بیشترین مزایا را از این فناوری به دست آورد.
تأثیر پیشرفت‌های اخیر در فناوری هوش مصنوعی و ML بر QA و آزمایش همچنان در حال رشد است. برای رقابتی ماندن، شرکت ها باید یاد بگیرند که روش های جدید را به بهترین نحو اعمال کنند. تجربه گسترده الکساندر موتیلف در مدیریت QA نرم افزارفعالیت‌های مدیریت آزمایش، و انتشار با استفاده از رویکرد چابک، او را به‌طور منحصربه‌فردی برای رهبری توسعه ابزارهای مبتنی بر هوش مصنوعی/ML پیشرو که چالش‌های عملیاتی کلیدی در صنعت را بررسی می‌کنند، قرار داده است.. در حالی که هیچ راه حل جهانی در مورد نحوه ادغام راه حل های جدید وجود ندارد، گرایش ها و ایده هایی که در بالا توضیح داده شد نقطه شروع خوبی هستند.
